夢晨 發自 凹非寺量子位 | 公眾號 QbitAI

Meta最新基礎模型Llama 4發布36小時后，評論區居然是這個畫風：

• 失望，非常失望
  不知道他們后訓練怎么搞的，總之不太行
  在[各種測試]2中失敗
  

還被做成表情包調侃，總結起來就是一個“差評如潮”。

具體來看，大家的抱怨主要集中在代碼能力。

最直觀的要數經典“氛圍編程”小球反彈測試，小球直接穿過墻壁掉下去了。

反映在榜單上，成績也相當割裂。

發布時的官方測評（LiveCodeBench）分數和在大模型競技場表現明明都很不錯。

但到了各種第三方基準測試中，情況大多直接逆轉，排名末尾。

讓人不由得懷疑，這個競技場排名到底是數據過擬合，還是刷票了。

就在Llama 4即將發布前幾天，Meta AI研究主管Joelle Pineau在工作8年之后突然宣布離職，總之就是不太妙。

Llama 4怎么了?

大模型關注者們火熱實測吐槽之際，一則有關Llama 4的匿名爆料，突然引起軒然大波：

有網友稱自己已向Meta GenAI部門提交提交辭職，并要求不要署名在Llama 4的技術報告上。

原貼發布在海外留學求職交流平臺一畝三分地，在國內也引起很多討論。

此爆料尚未得到證實，但有人搬出Meta GenAI負責人Ahmad Al-Dahle的帖子，至少能看出在Llama 4大模型競技場里運行的是特殊版本模型。

還有Meta前員工借此話題貼出2024年11月的一項研究，指出從Llama 1開始數據泄露的問題就存在了。

也不只是編程能力一個方面有問題，在EQBench測評基準的的長文章寫作榜中，Llama 4系列也直接墊底。

榜單維護者_sqrkl說明了具體情況。

測試非常簡單，模型需要先完成一個短篇小說的頭腦風暴、反思并修改寫作計劃，最終每輪寫1000字，重復8輪以上。

由Claude-Sonnet 3.7來當裁判，先對每個章節單獨打分，再對整個作品打分。

Llama 4的低分表現在寫到后面開始大段的內容重復，以及寫作非常公式化。

對此結果，有一個猜想是之前的版權訴訟讓Meta刪除了網絡和書籍數據，使用了更多的合成數據。

在這場訴訟中，許多作家發現自己的作品可能被用于AI訓練，還到倫敦的Meta辦公室附近發起抗議。

Llama 4發布后的種種，讓人聯想到年初的匿名員工爆，有網友表示當初只是隨便看看，現在卻開始相信了：

在這條爆料中，Deepseek v3出來之后，訓練中的Llama4就顯得落后了，中層管理的薪水都比DeepSeek V3的訓練成本都高，Meta內部陷入恐慌模式。

讓人不由得感嘆，DeepSeel-R1橫空出世僅僅兩個月時間，卻像過了幾輩子。

[1]https://www.reddit.com/r/LocalLLaMA/comments/1jt7hlc/metas_llama_4_fell_short/
[2]https://www.1point3acres.com/bbs/thread-1122600-1-1.html
[3]https://x.com/suchenzang/status/1909070231517143509
https://x.com/TheAhmadOsman/status/1908833792111906894